土地利用/覆被变化(LUCC) 是全球和局地环境变化研究的重要领域^{[1, 2, 3, 4, 5, 6]}，早在20 世纪90 年代，国际地圈与生物圈计划(IGBP)和“全球环境变化中的人文领域计划”(HDP)这两大颇具影响力的国际组织已将土地利用/土地覆盖变化列为全球化研究的重点。土地利用/覆盖变化以及由其带来的相应变化对人类环境和生态过程有着直接影响，自然资源的管理和相关决策也依赖于此^{[7, 8]}。在我国，土地利用/覆盖变化研究是所有与可持续发展相关问题的核心，具有突出的现实意义。LUCC数据的调查与监测对于理解变化机制和模拟各种尺度上的环境与相关生态系统变化的影响有着重要意义^[9]，研究人员也逐步发展了一套基于多时相遥感信息的获取LUCC信息的研究范式^{[10, 11]}。

遥感影像变化检测在土地利用变化调查、城市扩张、植被资源监测等众多领域具有重要的应用价值。在土地利用/覆盖变化检测中，数据源的选择、影像数据的几何精校正、辐射校正和多时相数据的标准化是进行变化检测的前提。而针对性的选择适合特定研究区的有效的变化检测方法是进行变化检测的核心问题^{[12, 13]}。随着各国研究学者的投入，遥感影像变化检测方法已经从传统的像元级变化检测开始向特征级、知识级变化检测转变。目前常用的土地利用/覆盖变化检测方法包括两大类：光谱直接比较法和分类后比较法^[2]，两种方法各有利弊，光谱直接比较法能够准确的检测出土地覆盖发生变化的区域，但不能确定是什么地物反生变化，变化后转换成什么地物；分类后比较法能够检测出土地覆盖的变化情况，但它对分类精度的要求很高，只有高精度的影像分类结果才有可能产生高精度的变化检测结果^[14]。在此基础上，结合由环境保护部和中国科学院共同组织实施的《全国生态环境十年变化(2000—2010年)遥感调查与评估》项目(简称为“生态十年项目”)，本文主要探讨基于知识库的像斑光谱向量相似性土地覆盖变化检测方法在西北地区的应用及土地覆盖变化检测精度分析和评价。

相似度，顾名思义是指两个对象之间的相似程度。根据研究对象的不同，初现了多种相似度的细化概念，如向量相似度、系统相似度、形状相似度等等^{[15, 16]}。相似度度量是本文方法的一个重要环节，该指标的选取决定了变化检测结果的精度。相似度测度一般包括两种方法：距离测度法和相似性函数法。两向量的距离测度方法有很多种，几种成熟的距离测度方法包括：Minkowsky距离(明氏距离)、Euclidean距离(欧氏距离)、Manhattan距离。相似性函数使用函数的方法来表示两向量的相似程度，一般向量的相似性函数比距离测度应用更为广泛，如夹角余弦法、相关系数法、广义Dice系数法、广义Jaccard系数法^[17]。

像斑的TM影像光谱特征向量可以视为六维特征空间中的一个矢量，如果两个矢量的夹角越小，矢量的模越接近，则两个矢量越相似，正如图 1所示，特征空间中位于同一个圆圈的向量被认为是相似的。衡量向量是否相似的参数主要是两向量间的夹角和向量的模，因此，本文选择向量相似度作为相似性的衡量指标。向量相似度的计算公式为^[18]：

点击浏览公式

点击浏览公式

点击浏览公式

式中，θ为T1、T2时期特征向量x，y的夹角，R_xy为向量x，y的模比值。

图 1 向量相似示意图 Fig. 1 Schematic of vector similar

图选项

将基准时期T1(2010)和检测时期T2(2005)的遥感影像分别与基准时期T1(2010)的土地覆盖矢量图进行套合，利用eCognition Developer 8.64 (Definiens Imaging，德国)软件提供的多尺度分割算法确定一个合适的尺度，对两期影像进行尺度分割获取像斑^[19]。利用2010年土地覆盖矢量数据参与影像分割具有以下优点：一是确保两期影像未发生变化区域土地覆盖类型具有相同的边界；二是可以提供地物目标的先验信息，由于土地覆盖矢量数据包括地物类别属性信息，可以构建先验知识库提高分类精度。影像分割后，利用eCognition Developer提供的特征提取算法提取每一个像斑在T1和T2时期影像上的TM各波段反射率，由TM 1、2、3、4、5、7波段构成像斑在两个时期影像的六维光谱特征向量，并存入像斑特征数据库中。由于TM6波段为热红外波段，易于受到多种因素的干扰具有不确定性，因此在构成像斑光谱特征向量过程中将其排除。与分类后再比较方法不同的是，变化检测被简化成了根据像斑在两期图像的光谱特征向量对所有像斑进行一个两类划分——变化区域和未变化区域。

根据像斑特征数据库中每一像斑在T1和T2时期的光谱特征向量进行相似度度量，如果两个时期的光谱特征向量相似度低于阈值则认为该像斑反生变化。对于未发生变化区域，直接利用eCognition Developer软件提供的分类方法，将2010年土地覆盖矢量数据中的类型信息赋予像斑，完成未变化区域分类。针对变化区域，通过人工选取样本，获得每一类土地覆盖类型的基准光谱特征向量，利用地理信息软件提取未变化区域每一土地覆盖类型10%的像斑，分别计算每一土地覆盖类型每一像斑光谱特征向量与该土地覆盖类型基准光谱向量之间的Euclidean距离(欧氏距离)，选取一个距离常数λ，确保95%的该土地覆盖类型样本像斑光谱特征量与基准光谱特征向量之间的距离小于λ，分别计算变化区域像斑光谱特征向量与不同土地覆盖类型样本光谱特征向量之间的Euclidean距离(欧氏距离)，根据变化像斑与不同土地覆盖类型光谱特征向量距离的大小确定变化像斑的土地覆盖类型。图 2为本文变化检测的方法流程。

图 2 变化检测技术流程图 Fig. 2 Change detection technique flowchart

图选项

生态十年项目西北片区主要包括甘肃、青海、宁夏、陕西四省区以及内蒙古阿拉善盟地区，总面积约160万 km²，主要的地物类型包括：耕地、森林、草原、沙漠、裸土、裸岩、湖泊、沼泽化草甸、冰川积雪等9大类。Landsat轨道号134033覆盖范围包括甘肃河西走廊中部和青海北部，包括典型的高原山区、灌溉农业以及荒漠区域，该区包含西北区域绝大部分土地覆盖类型，在西北区域具有典型性。因此，为提高变化检测方法研究的效率，本文选择2005年(2005_0823)和2010年(2010_0805)的两期TM数据作为西北区域土地覆盖变化检测方法的典型试验区。图 3分别为试验区2005年和2010年Landsat 5 TM多光谱742波段的真彩色合成影像。

图 3 研究区TM真彩色合成影像 Fig. 3 The true-color composite TM image of study area

图选项

基于实地考察和两时相影像人工判读的结果，在实验区域选择114个变化像斑作为样本点，验证 不同相似度取值下的变化检出率(表 1)。从表 1可以看出随着相似度的降低，检出的发生变化的区域面积逐渐减少，当相似度降低到一定程度时，变化面积下降趋势变缓，也就是说随着相似度的降低，误检率快速下降。但是，从选定的变化像斑来看，随着相似度的降低，发生变化的像斑检出率也快速下降，采用光谱特征向量相似度方法进行变化检测最大的缺陷是随着漏检率的减少，误检率快速增加(图 4)。但是在实际从操作过程中，通常选择相似度的阈值相对较大，比如相似度(S)大于0.9，则变化检出率高达95.6%，确保变化的检出率达到课题设计的要求(85.0%)。对于因检出率提高而误检率增加的问题，采用2010年土地覆盖数据库建立土地覆盖光谱特征先验知识库，辅助变化区域分类，提高变化区域的分类精度。

图 4 不同相似度变化检测对比 Fig. 4 Comparison of change detection in different similarity

图选项

利用地理信息系统软件，随机选择500个样本点，分别参照两期TM影像，进行人工目视解译，获得样本在两期图像上的土地覆盖信息，对2005和2010年的土地覆盖数据库进行精度验证。结果表明，采用光谱特征向量相似度方法并利用2010年土地覆盖数据作为辅助数据获得2005年土地覆盖数据库一级类型分类精度高达95.7%，二级类精度达到87.3%，满足课题设计要求。但是同2010年土地覆盖数据精度进行比较，2005年土地覆盖数据精度出现小幅度下降，主要是由于部分变化未检出以及部分土地覆盖类型光谱特征向量相似造成的错误分类引起的，比如湖泊与水库坑塘，裸土与稀疏植被等。针对变化检出率，将先前的114个样本点与随机选择的500个样本点合并，共获得样本点614个，其中变化样本点126个，与2005—2010年土地覆盖动态变化数据库进行叠加分析。结果表明，共有143个样本点发生变化，其中109个为实际发生变化点，变化检出率为86.5%，误检率为7.0%。

本文选择TM134033轨道号的图像为典型试验区验证光谱特征向量相似度方法在西北干旱区土地覆盖变化检测的适宜性，研究表明：

(1)光谱特征向量相似度方法适合研究区的变化检测研究，且利用先验知识库获得2005年土地覆盖数据库分类精度相对较高；

(2)采用光谱特征向量相似度方法，计算量较少、运算速度快，适用于大规模快速变化检测；

(3)光谱特征向量相似度方法对水域变化、耕地变化、建设用地变化以及植被盖度变化区域的检测效果较好；

(4)受到影像时相与云影响，变化检测后期仍然需要一定的人工修改，提高土地覆盖数据库精度；

(5)检测时期的土地覆盖精度依赖于基准时期土地覆盖数据的精度。

研究以试验结果为重要参考，将光谱特征向量相似度法应用于整个西北地区，并结合分类后比较法，最终获得三期整个西北地区的土地覆盖分类图。